如何制作人工智能程序

‘壹’ 如何制作属于自己的ai

一般通过大规模语料训练，行成一个大的概率表，再得到回答映射概率表，最后自动完成聊天。

一个普通聊天机器人需要大量语言训练。有两种做法，（对于中文）传统的是对一段文字进行分词，然后进行主谓宾分析，接着通过数据库中有的句型模式进行匹配，取得匹配高的几个，查找对应回答句型并根据原有文本联想填词。

人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大。

相关信息

早期的人工智能研究人员直接模仿人类进行逐步的推理，就像是玩棋盘游戏或进行逻辑推理时人类的思考模式。到了1980和1990年代，利用概率和经济学上的概念，人工智能研究还发展了非常成功的方法处理不确定或不完整的资讯。

对于困难的问题，有可能需要大量的运算资源，也就是发生了“可能组合爆增”：当问题超过一定的规模时，电脑会需要天文数量级的存储器或是运算时间。寻找更有效的算法是优先的人工智能研究项目。

‘贰’ 想做人工智能程序需要学什么

人工智能入门需要掌握的知识有：自然语言处理、机器学习、计算机视觉、知识表示、自动推理和机器人学。虽然这些领域的侧重点各有不同，但是都需要一个重要的基础，那就是数学和计算机基础。

‘叁’ 自己如何制作一个人工智能

数码时代以来，人工智能的硬件条件已经成熟了。
目前困扰人工智能研究的主要问题是，功能程序碎片化不能满足模仿人类智能的需求。一个程序对应一个功能，这与人类智能的一体和谐、各功能相互相应天衣无缝的特征相差很远。实现操作系统与应用程序一体化，例如手机不必安装任何应用程序驱动程序，只原创输入或下载相关知识含义，即可实现所需功能。顶多做试运行及调试即可。操作系统会自己去了解认识自己拥有什么。即我有什么样的身体。功能及表达方式将随机主喜好，及想象力，而自主增加，实现功能及成长的无限diy，实现这样一体化以后，你的梦想就将很快实现。
其中的难点是，操作系统智能化。
而智能化的难点是，既要保证输入/输出数据流的绝对镜像，又要满足感知/驱动这两种完全不同的含义断取规则需要。
预计1-2年，这些难题都将被理论上解决。再经过1年时间，你的梦想就将实现。人类那时将进入真正的智能时代。
最先应用这一原理的领域可能是，导弹目标识别系统，搜索引擎，手机。

‘肆’ AI怎么做

人工智能（Artificial Intelligence），英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大，可以设想，未来人工智能带来的科技产品，将会是人类智慧的“容器”。人工智能可以对人的意识、思维的信息过程的模拟。人工智能不是人的智能，但能像人那样思考、也可能超过人的智能。人工智能是一门极富挑战性的科学，从事这项工作的人必须懂得计算机知识，心理学和哲学。人工智能是包括十分广泛的科学，它由不同的领域组成，如机器学习，计算机视觉等等，总的说来，人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。但不同的时代、不同的人对这种“复杂工作”的理解是不同的。[1]2017年12月，人工智能入选“2017年度中国媒体十大流行语”。[2]2021年9月25日，为促进人工智能健康发展，《新一代人工智能伦理规范》发布。用来研究人工智能的主要物质基础以及能够实现人工智能技术平台的机器就是计算机，人工智能的发展历史是和计算机科学技术的发展史联系在一起的。除了计算机科学以外，人工智能还涉及信息论、控制论、自动化、仿生学、生物学、心理学、数理逻辑、语言学、医学和哲学等多门学科。人工智能学科研究的主要内容包括：知识表示、自动推理和搜索方法、机器学习和知识获取、知识处理系统、自然语言理解、计算机视觉、智能机器人、自动程序设计等方面。研究方法如今没有统一的原理或范式指导人工智能研究。许多问题上研究者都存在争论。其中几个长久以来仍没有结论的问题是：是否应从心理或神经方面模拟人工智能?或者像鸟类生物学对于航空工程一样，人类生物学对于人工智能研究是没有关系的？智能行为能否用简单的原则（如逻辑或优化）来描述？还是必须解决大量完全无关的问题？智能是否可以使用高级符号表达，如词和想法？还是需要“子符号”的处理？JOHN HAUGELAND提出了GOFAI(出色的老式人工智能)的概念，也提议人工智能应归类为SYNTHETIC INTELLIGENCE，[29]这个概念后来被某些非GOFAI研究者采纳。大脑模拟主条目：控制论和计算神经科学20世纪40年代到50年代，许多研究者探索神经病学，信息理论及控制论之间的联系。其中还造出一些使用电子网络构造的初步智能，如W. GREY WALTER的TURTLES和JOHNS HOPKINS BEAST。 这些研究者还经常在普林斯顿大学和英国的RATIO CLUB举行技术协会会议.直到1960， 大部分人已经放弃这个方法，尽管在80年代再次提出这些原理。符号处理主条目：GOFAI当20世纪50年代，数字计算机研制成功，研究者开始探索人类智能是否能简化成符号处理。研究主要集中在卡内基梅隆大学， 斯坦福大学和麻省理工学院，而各自有独立的研究风格。JOHN HAUGELAND称这些方法为GOFAI(出色的老式人工智能)。[33] 60年代，符号方法在小型证明程序上模拟高级思考有很大的成就。基于控制论或神经网络的方法则置于次要。[34] 60~70年代的研究者确信符号方法最终可以成功创造强人工智能的机器，同时这也是他们的目标。认知模拟经济学家赫伯特·西蒙和艾伦·纽厄尔研究人类问题解决能力和尝试将其形式化，同时他们为人工智能的基本原理打下基础，如认知科学， 运筹学和经营科学。他们的研究团队使用心理学实验的结果开发模拟人类解决问题方法的程序。这方法一直在卡内基梅隆大学沿袭下来，并在80年代于SOAR发展到高峰。基于逻辑不像艾伦·纽厄尔和赫伯特·西蒙，JOHN MCCARTHY认为机器不需要模拟人类的思想，而应尝试找到抽象推理和解决问题的本质，不管人们是否使用同样的算法。他在斯坦福大学的实验室致力于使用形式化逻辑解决多种问题，包括知识表示， 智能规划和机器学习. 致力于逻辑方法的还有爱丁堡大学，而促成欧洲的其他地方开发编程语言PROLOG和逻辑编程科学.“反逻辑”斯坦福大学的研究者 (如马文·闵斯基和西摩尔·派普特)发现要解决计算机视觉和自然语言处理的困难问题，需要专门的方案-他们主张不存在简单和通用原理（如逻辑）能够达到所有的智能行为。ROGER SCHANK 描述他们的“反逻辑”方法为 "SCRUFFY" .常识知识库 (如DOUG LENAT的CYC)就是"SCRUFFY"AI的例子，因为他们必须人工一次编写一个复杂的概念。基于知识大约在1970年出现大容量内存计算机，研究者分别以三个方法开始把知识构造成应用软件。这场“知识革命”促成专家系统的开发与计划，这是第一个成功的人工智能软件形式。“知识革命”同时让人们意识到许多简单的人工智能软件可能需要大量的知识。子符号法80年代符号人工智能停滞不前，很多人认为符号系统永远不可能模仿人类所有的认知过程，特别是感知，机器人，机器学习和模式识别。很多研究者开始关注子符号方法解决特定的人工智能问题。自下而上， 接口AGENT，嵌入环境（机器人），行为主义，新式AI机器人领域相关的研究者，如RODNEY BROOKS，否定符号人工智能而专注于机器人移动和求生等基本的工程问题。他们的工作再次关注早期控制论研究者的观点，同时提出了在人工智能中使用控制理论。这与认知科学领域中的表征感知论点是一致的:更高的智能需要个体的表征(如移动，感知和形象)。计算智能80年代中DAVID RUMELHART 等再次提出神经网络和联结主义. 这和其他的子符号方法，如模糊控制和进化计算，都属于计算智能学科研究范畴。统计学法90年代，人工智能研究发展出复杂的数学工具来解决特定的分支问题。这些工具是真正的科学方法，即这些方法的结果是可测量的和可验证的，同时也是人工智能成功的原因。共用的数学语言也允许已有学科的合作（如数学，经济或运筹学）。STUART J. RUSSELL和PETER NORVIG指出这些进步不亚于“革命”和“NEATS的成功”。有人批评这些技术太专注于特定的问题，而没有考虑长远的强人工智能目标。集成方法智能AGENT范式智能AGENT是一个会感知环境并作出行动以达致目标的系统。最简单的智能AGENT是那些可以解决特定问题的程序。更复杂的AGENT包括人类和人类组织（如公司）。这些范式可以让研究者研究单独的问题和找出有用且可验证的方案，而不需考虑单一的方法。一个解决特定问题的AGENT可以使用任何可行的方法-一些AGENT用符号方法和逻辑方法，一些则是子符号神经网络或其他新的方法。范式同时也给研究者提供一个与其他领域沟通的共同语言--如决策论和经济学（也使用ABSTRACT AGENTS的概念）。90年代智能AGENT范式被广泛接受。AGENT体系结构和认知体系结构研究者设计出一些系统来处理多ANGENT系统中智能AGENT之间的相互作用。一个系统中包含符号和子符号部分的系统称为混合智能系统 ，而对这种系统的研究则是人工智能系统集成。分级控制系统则给反应级别的子符号AI 和最高级别的传统符号AI提供桥梁，同时放宽了规划和世界建模的时间。RODNEY BROOKS的SUBSUMPTION ARCHITECTURE就是一个早期的分级系统计划。智能模拟机器视、听、触、感觉及思维方式的模拟：指纹识别，人脸识别，视网膜识别，虹膜识别，掌纹识别，专家系统，智能搜索，定理证明，逻辑推理，博弈，信息感应与辨证处理。学科范畴人工智能是一门边沿学科，属于自然科学、社会科学、技术科学三向交叉学科。涉及学科哲学和认知科学，数学，神经生理学，心理学，计算机科学，信息论，控制论，不定性论，仿生学，社会结构学与科学发展观。研究范畴语言的学习与处理，知识表现，智能搜索，推理，规划，机器学习，知识获取，组合调度问题，感知问题，模式识别，逻辑程序设计，软计算，不精确和不确定的管理，人工生命，神经网络，复杂系统，遗传算法人类思维方式，最关键的难题还是机器的自主创造性思维能力的塑造与提升。安全问题人工智能还在研究中，但有学者认为让计算机拥有智商是很危险的，它可能会反抗人类。这种隐患也在多部电影中发生过，其主要的关键是允不允许机器拥有自主意识的产生与延续，如果使机器拥有自主意识，则意味着机器具有与人同等或类似的创造性，自我保护意识，情感和自发行为。实现方法人工智能在计算机上实现时有2种不同的方式。一种是采用传统的编程技术，使系统呈现智能的效果，而不考虑所用方法是否与人或动物机体所用的方法相同。这种方法叫工程学方法（ENGINEERING APPROACH），它已在一些领域内作出了成果，如文字识别、电脑下棋等。另一种是模拟法（MODELING APPROACH），它不仅要看效果，还要求实现方法也和人类或生物机体所用的方法相同或相类似。遗传算法（GENERIC ALGORITHM，简称GA）和人工神经网络（ARTIFICIAL NEURAL NETWORK，简称ANN）均属后一类型。遗传算法模拟人类或生物的遗传-进化机制，人工神经网络则是模拟人类或动物大脑中神经细胞的活动方式。为了得到相同智能效果，两种方式通常都可使用。采用前一种方法，需要人工详细规定程序逻辑，如果游戏简单，还是方便的。如果游戏复杂，角色数量和活动空间增加，相应的逻辑就会很复杂（按指数式增长），人工编程就非常繁琐，容易出错。而一旦出错，就必须修改原程序，重新编译、调试，最后为用户提供一个新的版本或提供一个新补丁，非常麻烦。采用后一种方法时，编程者要为每一角色设计一个智能系统（一个模块）来进行控制，这个智能系统（模块）开始什么也不懂，就像初生婴儿那样，但它能够学习，能渐渐地适应环境，应付各种复杂情况。这种系统开始也常犯错误，但它能吸取教训，下一次运行时就可能改正，至少不会永远错下去，用不到发布新版本或打补丁。利用这种方法来实现人工智能，要求编程者具有生物学的思考方法，入门难度大一点。但一旦入了门，就可得到广泛应用。由于这种方法编程时无须对角色的活动规律做详细规定，应用于复杂问题，通常会比前一种方法更省力。

‘伍’ 怎么用C语言编写人工智能程序

如果是没有学习过的话，有一定的难度，建议先去学习。

人工智能代表的范围太大了 C是必不可少的一部分 不能说是有直接关系 可以说是一个必备的组成部分；
人工智能实际的范围和实际应用：机器视觉，指纹识别，人脸识别，视网膜识别，虹膜识别，掌纹识别，专家系统，自动规划，智能搜索，定理证明，博弈，自动程序设计，智能控制，机器人学，语言和图像理解，遗传编程等,
其中几项和C语言、自动化、必不可分。
能力有限，不熟悉人工智能这块。

‘陆’ 怎样制作AI人工智能

• 一个普通聊天机器人需要大量语言训练。有两种做法，（对于中文）传统的是对一段文字进行分词，然后进行主谓宾分析，接着通过数据库中有的句型模式进行匹配，取得匹配高的几个，查找对应回答句型并根据原有文本联想填词。

• 现代一般通过大规模语料训练，现成一个大的概率表，再得到回答映射概率表，最后自动完成聊天。对于小黄鸡之类的程序，是根据传统ALICE程序对句式学习的产物。
  

• 流程：
  

• 语料－－－分词（中科院ICTCLAS库）－－－语法分析／概率分析（聚类，N－gram）－－－句型模式匹配（模板匹配）／隐马可夫链，神经网络－－－概率分析（N－gram）／句型选用－－－句子生成

‘柒’ C语言能做人工智能吗

分类: 电脑/网络 >> 程序设计 >> 其他编程语言
问题描述:

C语言能做人工智能吗？

解析:

理论上讲是在于算法

但在具体的实现上,同一问题用不同的语言解决的时候的算法设计是有区别的,即使实现了,那在效率也是有差别的

据我所知,LISP是人工智能程序语言(很少听说听C做人工智能的)

标题：LISP人工智能程序语言

内容：

LISP的由来

LISP是一种计算机的表处理语言,是函数型语言。它是LIST Processing 的缩写,是研究人工智能的有力工具。

LISP最初是作为书写字符与表的递归函数的形式系统出现的,1958年由美国麻省理工学院(MIT)的AI小组提出(要为问答系统设计一种语言),1960年由MIT的John.McCarthy教授(麦卡西教授,举世闻名的计算机科学家,图灵奖获得者,后为美国斯坦福大学教授)整理成统称为LISP1.0的形式发表,然后开始流行于AI界.以后陆续出现了LISP1.5(1962年),LISP1.6,MACLISP,INTERLISP,COMMONLISP,GCLISP,CCLISP等等变种。商业中一般认Berkeley(加洲大学)的LISP1.5为规范,但以目前的发展看,COMMON LISP将成为一种标准,有统一各种LISP “方言”的趋势。在众多不同版本的流行LISP语言中,使用最广泛的是INTER LISP(XEROX公司开发),MACLISP(麻省理工学院开发)和COMMON LISP。LISP是继FORTRAN(FORTRAN是1954年提出,1956年开始使用)之后出现的第二个古老的(1958年提出，1960年开始使用)计算机高级语言,至今使用近四十年仍受重视,并为人工智能的发展作出了不可磨灭的贡献.由此可见LISP是一门历史悠久,用途广泛,功能极强,生命力极强的人工智能程序设计语言。

LISP语言一般为解释型语言(即由解释程序边解释边执行),但也有了编译型的LISP语言,并已经有了专用的LISP机。例如,编译型的LISP语言SCHEME诞生于麻省理工学院,1984年由美国15个大学和公司共同提供了被广泛接受的SCHEME标准。德克萨斯仪器公司于1985年在IBM PC机上实现了称为PC SCHEME的语言。PC SCHEME的中文版由南京大学和武汉大学联合开发,可在640KB以上的PC机上在CCDOS和MSDOS下运行并可访问其它DOS程序。

LISP语言的主要特点(优点)

(1) LISP具有和图灵机相同的(也就是理论上最高的)计算能力;

在计算机科学的可计算理论中,人们已经证明递归函数和图灵机具有相同的（也就是理论上最高的）计算能力,通常指的是自然数集上的递归函数。这个结论对符号集上的递归函数也成立。J.McCarthy在LISP中设计了一套符号处理函数,它们具有符号集上的递归函数的计算能力,因此原则上可以解决人工智能中的任何符号处理问题。

(2)数据类型的唯一性,程序与数据的一致性;

LISP的数据类型和句法结构简单,甚至简单到具有唯一性和一致性:其数据和程序的表现形式是一样的， 都是用S-表达式一种形式.基本的数据结构是表(表是S-表达式的特例)。

(3)数据和程序的 等价性;

LISP的数据和程序不仅类型一致,而且作用也等价；

即：程序可作为数据被处理，数据也可作为程序来执行。

(4)LISP一切功能由函数来实现，程序的运行就是求值；

LISP程序的通常形式是一串函数定义，其后跟着一串带有参数的函数调用，函数之间的关系只是在调用执行时才体现出来。

(5)LISP语言的控制结构以递归为主；

大多数语言使用的控制结构是以循环为主的，有的程序语言允许递归，而LISP以递归形式为主。递归是LISP能力的源泉。当然现在LISP也有循环结构和迭代。

(6)原子可以有任意多个值(特性值)；

LISP非常重要的一个特点是每个文字原子可以加许多特性，每个特性有一个特性表及对应的特性值。由于原子的多值性给使用者带来很多方便，给问题表示带来好处，使LISP很好用。

(7)LISP具有表的结构形式和规模的灵活性，不必预先设定；

(8)具有收集无用单元的功能。

LISP语言的主要缺点

(1)初学者不容易习惯LISP的句法结构，特别是多层表的括号配对写法；

(2)数据类型少(常用的只有表和原子)，使其表达能力受限；

(3)规范性差(无标准版本，不同的LISP文本间差别较大)；

(4)程序的可读性不及一般的高级语言；

(5)执行速度慢。

LISP执行速度慢的原因有几个：(1)一般的 LISP是解释型， 程序边解释边执行当然比编译型慢；(2)LISP的控制结构主要是递归， 递归费时间费空间；(3)内存空间动态变化。LISP不要求用户在程序 中写一些用来指示内存分配的说明语句，全部内存必须动态的分配，直到 没有空间时才开始收集无用单元。